Agent 框架与编排生产可用
Mem0
mem0ai / mem0
给 agent 加长期记忆层:抽取、存储、检索用户偏好与事实,支持向量/图存储后端。
为什么选
- 把“记住什么”和“怎么检索”拆成独立层,不用在每个 agent 里重写。
- 支持多种向量库与图存储,适合从原型迁到生产。
- 有托管版与开源版,可先本地跑再决定是否上云。
不适合
只是单轮问答、没有跨会话记忆需求,不必加一层。
把记忆当事实数据库;它需要抽取、去重与过期策略。
最小上手
- 按 README 跑最小 add / search 示例,先用内存或本地向量库。
- 换一段真实对话,观察抽取出的事实与用户偏好。
- 再加过期/删除策略,验证旧记忆不会污染新会话。
依赖与成本
Python 3.9+;最小示例可本地跑;生产要配向量库(Qdrant / pgvector 等)与 LLM API。
许可与使用边界
代码 Apache-2.0;托管版的数据条款与开源版不同,商用前分别核对。
开源不等于可商用:GPL / AGPL 有传染性;代码许可、模型许可、生成内容许可要分开看。上线前读仓库 LICENSE 与模型卡,必要时让法务确认。
替代与相邻
- Zep — 生产可用,面向 agent 的记忆服务:会话摘要、事实抽取、图记忆与检索,提供社区版和云服务。
- LangGraph — 生产可用,把 agent 写成有状态图:节点、边、检查点、人工确认与回滚都能显式表达。
- RAGFlow — 先试这个,带文档解析、切分、检索与引用的 RAG 平台,适合把一套知识库跑起来。
下一步
- 打开 GitHub,先读 README、LICENSE、最近 release 与 issue。
- 按“部署依赖 / 显存 / 数据 / 网络 / 权限”列一张上手清单。
- 用一个小样本跑通,再决定是否进生产;不要直接上生产数据。
快照口径:stars / forks / language / license / pushed_at 来自 GitHub API 2026-11-19 快照;之后的变化没有回写。标签与“适合 / 不适合”是编辑判断,不是 GitHub 元数据。
不背书:本站只做索引与风险提示,不审计代码、不保证安全、不替你做许可判断。仓库脚本与模型权重请自行审查。